Мультимодальное глубокое обучение для оценки деменции при болезни Альцгеймера
Multimodal deep learning for Alzheimer’s disease dementia assessment
2022-06-20
SCID: 54.1/8w9wdtvu
Discuss with AI
болезнь Альцгеймераоценка деменцииинтерпретируемое компьютерное зрениеумеренные когнитивные нарушениямультимодное глубокое обучение
Figures from the paper
Abstract (AI)
Ежегодно во всем мире регистрируется почти 10 миллионов новых случаев деменции, наиболее распространенной причиной которой является болезнь Альцгеймера (БА). Необходимы новые методы для совершенствования диагностики лиц с когнитивными нарушениями различной этиологии. В данной работе представлен фреймворк глубокого обучения, последовательно выполняющий несколько диагностических этапов для выявления лиц с нормальным когнитивным функционированием (NC), легкими когнитивными нарушениями (MCI), болезнью Альцгеймера (БА) и деменциями, не связанными с болезнью Альцгеймера (nADD). Мы демонстрируем ряд моделей, способных принимать гибкие комбинации обычно собираемой клинической информации, включая демографические данные, анамнез, результаты нейропсихологического тестирования, нейровизуализации и функциональной оценки. Затем мы показываем, что эти фреймворки по диагностической точности сопоставимы с практикующими неврологами и нейрорадиологами. Наконец, мы применяем методы интерпретируемости в компьютерном зрении, чтобы показать, что специфические для заболевания паттерны, выявляемые нашими моделями, отражают различные закономерности дегенеративных изменений в головном мозге и тесно соответствуют наличию нейропатологических поражений, выявленных при аутопсии. Наша работа демонстрирует методологии валидации вычислительных прогнозов с использованием общепринятых стандартов медицинской диагностики.
Key Findings
1
Последовательная система глубокого обучения различает нормальное когнитивное состояние, лёгкие когнитивные нарушения, болезнь Альцгеймера и деменции неальцгеймеровского типа.
2
Интерпретируемость компьютерного зрения выявляет специфичные для заболеваний паттерны дегенерации мозга, тесно соответствующие нейропатологическим поражениям при аутопсии.
3
Диагностическая точность предложенных систем сопоставима или превосходит показатели практикующих неврологов и нейрорадиологов.
4
Модели принимают гибкие комбинации обычно собираемых данных о демографии, анамнезе, нейропсихологических тестах, нейровизуализации и функциональном состоянии.
5
Исследование демонстрирует методы проверки вычислительных диагностических прогнозов по общепринятым стандартам медицинской диагностики.
Research Object
Лица с нормальным когнитивным функционированием, лёгкими когнитивными нарушениями, болезнью Альцгеймера и деменциями, не связанными с болезнью Альцгеймера
Research Subject
Мультимодальная диагностическая оценка и выявление специфичных для заболевания паттернов нейродегенеративных изменений при этих состояниях когнитивных нарушений и деменции
Publication Details
Publication Date
2022-06-20
Journal
Publisher
ISSN
Cited by
512
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Единый подход к интерпретации предсказаний моделей2017
Диагностика деменции вследствие болезни Альцгеймера: рекомендации рабочих групп Национального института старения и Ассоциации Альцгеймера по руководящим принципам диагностики болезни Альцгеймера2011
Подход на основе машинного обучения для дифференциальной диагностики болезни Альцгеймера и сосудистой деменции с использованием признаков, отобранных по данным МРТ2020